Искусственный интеллект и когнитивные системы, что это такое и возможные применения

Искусственный интеллект можно рассматривать как способность вычислительной системы выполнять задачи, действия и решать проблемы, типичные для человеческого разума и способностей. 

Примерное время чтения: 7 Minuti

Дисциплина зародилась как отрасль информационных технологий с целью создания машин:

• «И аппаратное, и программное обеспечение»;
• способен действовать автономно во всех тех ситуациях, в которых можно подумать, что только человек способен понять контекст и действовать соответственно.

На протяжении многих лет искусственный интеллект часто разжигал философские дебаты, чтобы дать ответы о возможности замены человека машиной ... возможно ли это? 

В связи с этим мы можем выделить два течения мысли:

• Слабый искусственный интеллект
• Сильный искусственный интеллект

Мы говорим о слабом искусственном интеллекте (слабом искусственном интеллекте), когда целью не является создание систем, которые обладают интеллектом, сопоставимым с человеческим. Но системы, которые могут успешно действовать в одной или нескольких сложных сферах деятельности человека, таких как автоматический перевод текстов. 

В этих случаях программное обеспечение, выполняя задачу, для которой оно было запрограммировано, действует так, как если бы оно было разумным субъектом, но для целей результата не имеет значения, действительно ли это так или нет. 

Поэтому мы говорим о слабом искусственном интеллекте во всех тех случаях, когда машина не может мыслить автономно, но все же может моделировать интеллект. 

Этот тип ИИ применяется в тех случаях, когда понимание когнитивных процессов человека не имеет отношения к конечному результату. 

Мы говорим о сильном искусственном интеллекте, когда машина, оснащенная искусственным интеллектом, - это не просто «инструмент». 

При правильном развитии он сам становится мыслящим умом с когнитивными способностями, неотличимыми от человеческого. 

В этой философии идея состоит в том, что некоторые формы искусственного интеллекта могут действительно рассуждать и решать проблемы, как это сделал бы человек, поэтому различить результаты работы машины или человека было бы невозможно.

Термин Machine Learning (автоматическое обучение) относится к набору механизмов, принадлежащих миру искусственного интеллекта. 

Эти механизмы позволяют интеллектуальной машине со временем улучшать свои возможности и производительность, автоматически обучаясь с опытом для выполнения определенных задач, все больше и больше улучшая свою производительность. 

Примером может служить AlphaGo, программное обеспечение от Машинное обучение которого учили, наблюдая за миллионами ходов, сделанных игроками в го во время различных игр, и заставляя машину играть против самой себя, в результате чего он смог победить того, кого считали лучшим игроком в мире этой игры. 

Три основных категории машинного обучения:

• Контролируемое обучение: система получает примеры, помеченные в соответствии с получаемыми выходными данными, и, исходя из этих данных обучения, она должна извлечь общее правило, которое связывает правильную метку с каждым новым входом;
• Неконтролируемый: нет помеченных данных, это система, которая, начиная с входов, должна найти структуру в данных;
• Обучение с подкреплением: система получает информацию от окружающей среды и выполняет действия. Система пытается предпринять действия, чтобы получить вознаграждение. Система попытается реализовать действия, оптимизирующие вознаграждение в зависимости от состояния окружающей среды.

Il Deep Learning - это подкатегория машинного обучения, то есть семейство методов, принадлежащих искусственному интеллекту, основанному на структуре и функциях мозга: или искусственных нейронных сетях (Artificial Neural Network). 

Эти архитектуры применяются в разных контекстах:

• Компьютерное зрение
• распознавание аудио и разговорной речи
• обработка естественного языка
• биоинформатики

Характеристики Deep Learning по сравнению с другими методами ИИ:

• Это алгоритмы, которые используют различные уровни нелинейных единиц. Эти уровни используются каскадно для выполнения задач, которые можно классифицировать как задачи преобразования характеристик, извлеченных из данных; каждый уровень использует выход предыдущего уровня как вход;
• Эти алгоритмы относятся к более широкому классу алгоритмов обучения представлению данных в рамках машинного обучения;
• Они образованы множеством уровней представления, которые можно понимать как разные уровни абстракции, способные формировать иерархию понятий.

Il Deep Learning он действует с помощью тех же механизмов, что и мозг, машина учится автономно, как и в машинном обучении, но делает это более «глубоко», как это делал бы человеческий мозг. Под глубоким мы подразумеваем «на нескольких концептуальных уровнях». 

Может показаться, что большой спрос на вычислительные мощности может быть ограничением, но масштабируемость Deep Learning к увеличению доступных данных и алгоритмов — вот что отличает его от машинного обучения: 

• системы Deep Learning они улучшают свою производительность по мере увеличения данных
• Приложения машинного обучения после достижения определенного уровня производительности больше не масштабируются. 

Обучить систему Deep Learning обычно вы маркируете данные. 

Например, в области визуального распознавания метатег «кошка» может быть вставлен в изображения, содержащие кошку, и, не объясняя системе, как его распознать, сама система через несколько иерархических уровней будет угадывать, что характеризует кота (лапы, хвост, мех и т. д.) и, следовательно, научиться его узнавать. 

Неструктурированные данные можно анализировать с помощью модели глубокого обучения после того, как она сформирована и достигнет приемлемого уровня точности, но не на начальном этапе обучения.

Il Deep Learning сегодня он уже применяется в различных областях:

• машина без физического водителя
• дроны и роботы, используемые для доставки посылок или для управления чрезвычайными ситуациями
• распознавание и синтез речи для чат-ботов и сервисных роботов
• распознавание лиц для наблюдения
• профилактическое обслуживание

Когнитивные вычисления

Реализация самых передовых аппаратных технологий и использование алгоритмов самообучения, таких как:

• добыча данных
• Большая аналитика данных
• распознавание образов
• обработка естественного языка
• обработка сигнала

создаются технологические платформы, которые пытаются имитировать человеческий мозг, начиная с более простых действий и заканчивая все более сложной обработкой.

Сигнал - это изменение во времени физического состояния системы или физической величины, которая служит для представления и передачи сообщений, то есть информации на расстоянии, поэтому анализ сигналов является компонентом, поддерживающим когнитивные вычисления.

Гугл Дипмайнд, и Байду Минва самые известные примеры, доступные сегодня.

Не говоря уже об историке IBM Watson, первый коммерческий суперкомпьютер в своем роде.

Связанные материалы

• Искусственный интеллект: о каких типах искусственного интеллекта вам нужно знать?
• Atlantica Digital Инновационный исследовательский проект, направленный на физическую и когнитивную реабилитацию.
• Что такое машинное обучение, для чего оно нужно и его задачи
• Работа и цифровые инновации: рождаются оригинальные навыки, модель облачного анализа для научной оценки личности и межличностных навыков
• Искусственный интеллект Deep Mind научился играть в футбол

Ercole Palmeri

Пристрастие к инновациям

---